MATLAB代码修改-FRCNN Faster R-CNN的MATLAB到Python迁移与数据集调整

Matlab分时代码经过修改，使得快速R-CNN能在无bbox注释的弱监督环境下运行。快速R-CNN是由Redmond的Microsoft Research的Ross Girshick开发的基于快速区域的卷积网络，用于对象检测。该框架训练速度显著优于传统的R-CNN和SPPnet，并且在PASCAL VOC数据集上表现出更高的mAP。

详细介绍如何在 VS2013 环境下，利用 Cuda7.5 和 OpenCV2.4.9，重新编译 Faster R-CNN 的 Caffe 库。

MATLAB装箱问题代码matlab-to-paython-ground-truth的目的是将基本事实保存为表格，而不是仅作为基本事实。如果您有多个类别，需要逐个处理每个类别。表格应包含两个字段：图像名称和装箱。运行代码注释以避免图像名称冲突（尤其是在多个类别的情况下），并重命名所有具有不同名称的图像，因为在Python中，它们会被放置在同一个文件夹内。我使用该方法来训练YOLOv5模型。

此处提供了tf-Faster-RCNN Faster R-CNN的Python 3 / TensorFlow实现，包括灰度处理代码。这个端到端的TensorFlow应用程序基于深度模型，可在Python 3.5+和TensorFlow v1.0环境中运行。推荐在Ubuntu 16及以上版本上使用，但其他Linux发行版的兼容性尚未测试。

Matlab亮度调整的源代码包括线性和非线性变换以及直方图处理。线性变换分为分段线性和直接线性两种类型，非线性变换包括对数变换和幂律变换。直方图处理涵盖了直方图均衡和直方图归一化。

这些代码是基于卷积神经网络的水果图像处理示例，作为论文“卷积神经网络应用于水果图像处理的回顾”，Applied Sciences，10（10）：3443（2020）的一部分而实现的。展示了水果分类和质量控制示例的实现方法，同时使用预训练模型进行了转移学习。示例以简单方式演示了CNN模型的实现方法，并且代码已注释并提供了描述性信息。详情请阅读原论文，也可在我们的实验室LITRP网站上获取代码。

sdm matlab代码vlfeat-ctypes：这是将MATLAB接口转换为Python的最小VLFeat接口的一部分。VLFeat的核心库用C编写，但主要功能通过MATLAB接口提供。该项目使用ctypes从MATLAB接口到Python / numpy的一些功能进行了移植。它仅包含所需的功能，虽然这个过程不复杂，但需要一些工作量。欢迎添加其他功能的补丁。此外，还有许多vlfeat分支，包括Boost :: Python封装器。虽然这些我并未成功使其工作，但因为我发现所需的大部分功能都有大量的MATLAB代码可供使用。您可能对这个项目感兴趣，因为它似乎是最新更新的。要安装此软件包，可以通过pip或easy_install进行，但为了实际使用，还需要下载vlfeat的二进制库。可以通过运行python -m vlfeat.download来安装它。如果加上-h参数，脚本将帮助您找到libvl.so或相应平台的文件。

在这个项目中，我们试图实现灰色模型Matlab原始代码SC-CNN。请注意，代码正在更新中，并未完全完成。当前阶段已经实现了SC-CNN的第一部分。该代码使用的数据集与文中提到的数据集相同，同时也适用于其他数据集的训练。我们计划对代码进行进一步更新以解决已知问题，但目前仅使用主要数据集进行开发。请注意，无需手动下载数据集，所有数据处理均由代码完成。该代码基于Pytorch编写，支持在CPU或GPU上运行，也可以在多个GPU上并行运行。详细的运行说明可以在代码中找到。

迁移学习: Matlab表情识别代码